热点:

    Gartner:在数据分析中找到商业价值的真谛

      [  中关村在线 原创  ]   作者:徐鹏   |  责编:徐鹏

          “如今,很多企业都在面临同一个问题,就是投入了大量资源却没有看到数据分析的效果,或者是获得数据素养、数据驱动的能力,更多只是在技术的实现,但在业务上实则收效甚微。因此,我们的趋势研究是希望高管们(CIO、CEO、CDO等)能够了解,应该如何把数据分析应用到业务层面,从而可以真正在业务层看到一些变现的可能。”Gartner研究总监孙鑫谈到,“无论是在IT端还是业务端,数据分析发展到今天已经几乎无处不在了,而越来越多的数据分析会更多的发生在业务端。”

    Gartner:在数据分析中找到商业价值的真谛
    Gartner研究总监孙鑫

          今年2月,Gartner发布了2021年十大数据和分析趋势,以帮助企业机构和社会应对未来三年的颠覆性变革、巨大不确定性以及它们所带来的机遇。孙鑫在Gartner负责数据分析领域的研究,专注于商业智能和数据科学领域,会帮助大型企业完成数字化转型中的数据变现,利用数据实现业务价值,以及采用新技术完成数据分析的任务等。在Gartner对CDO(首席数据官或数据分析负责人)群体的一项问卷调查中,有64%的高管在团队内增加了更多的数据分析师。

    Gartner:在数据分析中找到商业价值的真谛
    Gartner数字化平台架构

          可以看到,数据已经成为各行各业的生产要素,对数据的有效采集和分析直接影响着企业的战略决策。在十四五规划中,明确了围绕大数据、工业互联网、AI等技术大力发展数字经济,将数字技术与产业深度融合,加速产业数字化的进程。Gartner将数据分析分为四个阶段,即描述性分析、诊断性分析、预测性分析、实质性分析,客户可以根据业务所需来建立相应的分析能力。而对于那些没有被有效利用的“暗数据”,则可以使用机器学习、数据科学等工具进行增强型分析,在隐藏的数据中挖掘真相。与此 ,越来越多的企业也意识到了数据复杂性和多样化的问题,并对数据的实时性提出了更高的要求。

    Gartner:在数据分析中找到商业价值的真谛
    多数企业高管认可分析、AI的重要性

    Gartner:在数据分析中找到商业价值的真谛
    2020年,被企业嵌入业务系统最多的是数据分析

          Gartner的十大数据和分析技术趋势包括组装式数据和分析架构、数据编织是基础、从“大”数据到“小”而“宽”的数据、XOps、工程化决策智能、数据和分析成为核心业务功能、图技术使一切产生关联、日益增多的增强型数据消费者、数据和分析正在向边缘移动,以及更智能、负责、可扩展的AI,具体而言:

          组装式数据和分析架构(Composable Data and Analytics),开放、容器化的分析架构提高了分析能力的可组装性。组装式数据分析架构使用来自多个数据、分析和人工智能解决方案的组件,来快速构建灵活、对用户友好的智能应用,帮助数据和分析领导者能够将洞见与行动相联系。孙鑫认为,组装式数据和分析架构可以归属于企业的业务中台,并且可以对数据分析能力进行赋能。

    Gartner:在数据分析中找到商业价值的真谛
    到2025年,70%的新应用由低代码、无代码技术开发

          身处在充满不确定性的时代,任何一家企业在投入大量资源打造数字化架构的时候都会面临风险,因此数字化能力的复用就显得格外重要,例如可以借助云市场或低代码/无代码的方式构建更敏捷、更灵活的交付和响应方式。Gartner预测,到2023年60%的企业会利用三个或更多的分析解决方案组成一些组件,以建立分析、决策导向型的应用。为此,企业也会通过API的方式接入更多的数据智能工具,包括Power BI和Power Apps、Salesforce的Lightning等等。

          同时,Gartner建议企业可以把应用开发者和业务分析师融合为一个团队,将各种分析能力添加到应用中,并通过云服务的方式运行组装式分析来推动创新。由此,企业可以将数据能力、连接能力、采集能力、管理客户生命周期能力等视为不同的能力模块,根据客户的特定需求即取即用,之后与业务中台相结合为用户提供最终的产品。

          数据编织是基础(Data Fabric Is the Foundation),这一概念由Gartner在多年前提出,利用现有、可发现、可推断的元数据资产进行连续分析,以支持设计、部署、利用、集成和可重用的数据对象。随着数字化程度的提高和限制数据消费者的束缚日益减少,数据和分析领导者正在越来越多地使用数据编织帮助解决企业机构数据资产多样性、分散性、规模和复杂性不断增加这一问题。

    Gartner:在数据分析中找到商业价值的真谛
    从不同数据源到最终消费者的参考架构

          数据编织更像是一种设计模式,并非指某一个工具,而是要帮助企业从传统收集数据的形式过渡到灵活的转换,变成连接数据,让企业不再需要单独部署和维护基础设施,解决数据孤岛的问题,建立数据素养和数据技能。调查显示,数据集成和数据准备是企业希望在2022年之前实现的三大自动化技术之一,企业需要更加主动的推进数据集成和数据管理的自动化,例如借助对语义层的优化设计、机器学习和知识图谱等方式。

          如果企业已拥有数据中心、数据湖、数据仓库和数据存储架构,就可以直接引入数据编织的概念,而不用增加重复购买的成本。据悉,数据编织使用分析技术保持了对数据管道的监控,其通过持续分析数据资产来支持不同数据的设计、部署和利用,使集成时间缩短30%、部署时间缩短30%、维护时间缩短70%。

          从“大”数据到“小”而“宽”的数据(From Big to Small and Wide Data),新冠疫情所引发的极端业务变化导致基于大量历史数据的机器学习和人工智能模型变得不那么可靠,人类和人工智能的决策变得更加复杂和严格,数据和分析领导者必须掌握更多的数据以便更好地了解情况。因此,数据和分析领导者应选择能够更加有效利用现有数据的分析技术。数据和分析领导者依赖于实现各类“小”和“大”、非结构化和结构化数据源分析和协同的“宽”数据,同时也依赖于“小”数据——即对数据需求量较少,但仍能提供实用洞见的分析技术。

          在Gartner的“炒作曲线”中,小数据位于“创新出发点”的阶段,或许还需要5-10年才能进入到常见的场景,不过其对AI或数据分析的影响却在不断加深。Gartner预测,到2025年70%的企业会把关注点从大数据转向小数据或是宽数据,为数据分析提供更多空间。同时,AI对数据的需求将进一步减少。到2025年超过85%的技术供应商(乙方市场),将在AI解决方案中加入让数据更丰富的方法和模型训练技术,以提高模型的弹性和敏捷性,而在2020年,这样做的供应商只有不到5%。

          目前,涉及小数据的应用场景包括迁移学习、联邦学习、合成数据、自我监督学习等。孙鑫称,小而广的数据方法可以实现更强大的分析和人工智能,减少组织对大数据的依赖,做到更丰富、更完整的态势感知,“负责数据分析的管理者要设想一种战略,使他们在实践中可以使用小而广的合成数据,并借助与AI、机器学习相辅相成的分析推动这种业务转型。”

          更智能、负责、可扩展的AI(Smarter, Responsible, Scalable AI),AI和ML的影响力日益增加,因此企业必须使用新技术获得更智能、对数据需求更小、在道德层面更加负责并且更有韧性的AI解决方案。企业可通过部署更智能、更负责、可扩展的AI,运用学习算法和可解释的系统加快价值实现时间和提高业务影响力。

          Gartner预测,到2023年,在拥有20名以上的数据科学家的组织中,将有60%的组织被要求制定关于数据和AI的道德行为准则。建立可解释的系统,并将AI模型投入到生产的新方法势在必行。AI对于数据的依赖性众所周知,但数据密集型的训练对算力的消耗也是巨大的,这就导致了资源弹性的挑战。同时,如果企业不对数据决策中的偏见和歧视加以控制,后者就会在AI自动化时被继续放大。

          Xops,即运维的价值,XOps(数据、机器学习、模型和平台)的目标是利用DevOps最佳实践实现效率和规模经济,在保证可靠性、可重用性和可重复性的同时,减少技术和流程的重复并实现自动化。大多数分析和AI项目失败的原因是将业务化视为一个事后思考的问题。如果数据和分析领导者使用XOps实施大规模的业务化,他们将能够实现分析和AI资产的可复制性、可追溯性、完整性和可集成性。

          业务实践多元化使得企业在购买多个产品时可能会出现重复投资的情况,一方面需要优化技术栈降低开发成本,另一方面要了解各类“Ops”在数据分析领域的应用方式,其核心在于利用DevOps的最佳实践实现效率和规模经济,确保可靠性和可复用性,减少技术和流程的重复,最终做到自动化。

          例如,DataOps是一种协作性的数据管理实践,目的是改善组织内的数据管道,即从数据初始端到数据消费端的沟通、整合和自动化,通过创建数据、数据模型建立相关任务的可预测交付和变更管理,实现更快交付数据的价值。DataOps利用的技术包括自动设计、部署、管理和交付数据,提供了适当级别的治理和元数据,以提高数据在动态环境中的使用价值。MLOps旨在简化机器学习模型的部署、操作和执行,可以支持机器模型的发布、激活、监控、性能、追踪、管理、复用、更新、维护和治理,支持CIPB框架,包括图形、语言,以及基于规则的系统和决策模型治理和生命周期管理。

          工程化决策智能(Engineering Decision Intelligence),与组装式分析密切相关,企业可以通过共享信息和数据架构在抓取数据、解释数据、设计模型、模型场景化、执行环节中获得更好的决策,在各种各样的决策背景下制定广泛的决策技术,适用于从传统分析到人工智能和复杂的自适应系统应用。决策智能提供的框架将多种传统和先进技术结合在一起,从而设计、建模、调整、执行、监控和调整决策模型。

          工程化决策智能不仅适用于单个决策,还适用于连续的决策。这项技术可以将决策编组为业务流程,甚至为新兴决策网络。随着决策自动化和增强程度的日益提高,工程化决策为数据和分析领导者提供了使决策变得更加准确、可重复、透明和可追溯的机会。

          “决策模型意味着企业可以通过可重复使用和组合的决策框架,来创建工程决策智能方面的组织能力,使数据驱动的组织可以从数据中获得最大收益。它将数据转化为洞察力,并以改善业务绩效和实现关键优先项为目标,工程决策智能将通过建模和优化它们之间的相互作用,去监测对业务的影响、学习和调整,以支持改进单独以及整体的决策。”孙鑫说。

          数据和分析成为核心业务功能(Data and Analytics as a Core Business Function),数据和分析活动不再是一项次要的活动,而是转变为一项核心业务功能。在这种情况下,数据和分析已成为与业务结果一致的共享业务资产,并且由于中央与联邦数据和分析团队之间的更好协作,数据和分析孤岛问题迎刃而解。

          Gartner预测,到2022年超过75%的中央组织和企业分析项目,将被分散部门(与业务部门相关的数据和分析)的高管共享权力,这种共享权力的混合组织模式将是未来的主流。随着企业加快数字化业务转型的进程,业务领域主导的数据分析会越来越多,这就要求业务领导要有较高的数据素养和数据分析能力。

          图技术使一切产生关联(Graph Relates Everything),图技术已成为许多现代数据和分析能力的基础,能够在不同的数据资产中发现人、地点、事物、事件和位置之间的关系。数据和分析领导者依靠图技术快速回答需要在了解情况并理解多个实体之间的联系和优势的性质后才能回答的复杂业务问题。Gartner预测,到2025年图技术在数据和分析创新中的占比将从2021年的10%上升到80%。该技术将促进整个企业机构的快速决策。

          作为构成现代数据分析的基础,图技术具有增强和改善用户协作、学习建模和AI的能力,是能够实现可视化探索与无数据库交互的无代码和低代码的工具。过去,建立企业内部的“图知识”可能要几个月,现在有了知识图谱等技术,几分钟内就能形成企业所需要的知识脉络和彼此的关联性,知识图谱还可以找出隐藏在图象数据、音频数据、视频数据等非结构化数据中的价值,用于发现非结构化数据资产中“云数据”的机器学习技术正在自动创建“云数据”,并以标准可查询的形式表现所有格式的数据。

          数据和分析正在向边缘移动(Data and Analytics at the Edge),数据、分析和其他支持它们的技术正在向边缘计算环境移动,不断接近现实世界中的资产并超出IT的范畴。Gartner预测,到2023年数据和分析领导者主要负责的工作中将有超过50%是在边缘环境中创建、管理和分析数据。

          数据和分析领导者可以运用这一趋势实现更高的数据管理灵活性、速度、治理和韧性。从支持实时事件分析到实现“物”的自主行为,各种不同类型的用例正在激发人们对边缘数据和分析能力的兴趣。

          日益增多的增强型数据消费者(The Rise of the Augmented Consumer),当前大多数企业用户都在使用预定义仪表盘和手动的数据探索,这可能会导致错误的结论以及有缺陷的决策和行动。预定义仪表盘将逐渐被自动化、对话式、移动式和动态生成的洞见所取代,而且这些洞见均根据用户需求定制并被交付至用户需要消费这些数据的时候。

    Gartner:在数据分析中找到商业价值的真谛
    对分析和商业智能市场的影响

          对于企业来说,需要把数据分析的门槛进一步降低,一些BI工具通过自然语言驱动分析可以使数据更好的感知消费者,从而进行数据分析、为IT提供反馈。搭配可视化平台,未来用户可以不通过自然语言就能做一些更深度的应用,也就是提升了数据分析的普及率。

          在孙鑫看来,中国厂商要实现增强型的数据分析和增强型的数据管理,“现在很多企业都是比较“伸手主义”的,并不希望自己或自研数据分析的开发。如果厂商能够用增强型的能力实现极大程度的自动化,那将会帮助企业完成更好的数据化的转型。除此之外,如果把服务能力和技术能力相结合,也会帮助厂商加速发展。过去的很多年,中国有非常多的服务解决方案,但并没有很好的把服务变成产品化。如果可以通过组装式数据,把分析能力、数据能力以产品化的角度沉淀下来,就会帮助企业完成更快的产品化的检测,并且为他们的客户带来组装能力和产品化的能力。”

    本文属于原创文章,如若转载,请注明来源:Gartner:在数据分析中找到商业价值的真谛https://cloud.zol.com.cn/766/7662956.html

    cloud.zol.com.cn true https://cloud.zol.com.cn/766/7662956.html report 11293       “如今,很多企业都在面临同一个问题,就是投入了大量资源却没有看到数据分析的效果,或者是获得数据素养、数据驱动的能力,更多只是在技术的实现,但在业务上实则收效甚微。因此,我们的趋势研究是希望高管们(CIO、CEO、CDO等)能够了解,应该如...
    • 猜你喜欢
    • 最新
    • 精选
    • 相关
    推荐经销商
    投诉欺诈商家: 010-83417888-9185
    • 北京
    • 上海
    周关注排行榜
    • 产品
    • 品牌
    推荐问答
    提问
    0

    下载ZOL APP
    秒看最新热品

    内容纠错